I.10Видео, анимация и 3D

TheDenk/cogvideox-2b-controlnet-canny-v1 — модель семейства CogVideoX с ControlNet для преобразования видео с управлением по карте границ Canny. Репозиторий содержит веса в формате safetensors; карточка указывает библиотеку Diffusers и тег задачи video-to-video. Модель предназначена для генерации или преобразования видео с заданным структурным контролем по контурам. Для запуска описана интеграция с ComfyUI через ComfyUI-CogVideoXWrapper, поддерживающий пайплайн ControlNet. Модель опубликована по лицензии Apache-2.0. Карточка не содержит подробностей о качестве, поддерживаемых разрешениях и длительности видео, контексте или точных требованиях к запуску.

CogVideoX-5B — открытая модель генерации видео от команды QingYing, представленная организацией zai-org. Она создаёт видеоролики по текстовому описанию и предназначена для генерации сцен, визуальных концепций и коротких демонстрационных клипов. Репозиторий использует конвейер CogVideoXPipeline из библиотеки Diffusers и хранит веса в формате safetensors; модель относится к варианту семейства с 5 млрд параметров. Модель принимает запросы только на английском языке. Запросы на других языках можно предварительно переводить на английский с помощью большой языковой модели. Для снижения потребления видеопамяти README описывает выгрузку частей модели в память CPU, нарезку и тайлинг VAE, а также квантизацию модулей; квантизация может замедлить генерацию. Проверки оптимизаций памяти проводились на NVIDIA A100 и H100, поэтому требования и производительность на других устройствах могут отличаться. Лицензия указана как other, конкретные условия использования следует сверять с лицензией репозитория.

EasyAnimateV2-XL-2-768x768 — веса модели Alibaba PAI для генерации видео по текстовым описаниям. Модель основана на PixArt-alpha и использует Diffusion Transformer с модулем движения, видеовариантом VAE и текстовым кодировщиком T5; в архитектуру также добавлены skip-соединения по мотивам U-ViT. Разрешение обучения — 768×768 пикселей, длина видео — до 144 кадров при 24 кадрах в секунду. Модель предназначена для создания высококачественных видео и поддерживает генерацию изображений в том же конвейере. Она принимает текстовые описания на английском языке и выдаёт видео; метаданные Hugging Face при этом помечают её как text-to-image. Для запуска используются Diffusers и формат safetensors. Лицензия — Apache-2.0. К заявленным возможностям относятся генерация длинных видео и работа с высоким разрешением. Ограничения: модель обучалась на видео 768×768 длиной до 144 кадров, поэтому возможности за этими пределами не подтверждены; в README нет описания поддерживаемых языков помимо английского.

FastWan-QAD-FP8-1.3B — модель генерации видео по текстовому описанию из серии FastWan-QAD, разработанная FastVideo. Она основана на Wan-AI/Wan2.1-T2V-1.3B-Diffusers и предназначена для быстрого локального создания коротких видеороликов. Модель использует дистилляцию с учётом квантования (QAD) для вывода за три шага и FP8-квантованные линейные слои. Модель обучена генерировать видео в разрешении 832×480: 81 кадр, около пяти секунд при 16 кадрах в секунду. Для вычислений внимания используется SageAttention2++, а для декодирования — компактный автоэнкодер TAEHV. По данным карточки, на RTX 4090 генерация такого ролика занимает примерно 3,4 секунды; заявлена совместимость с GPU поколений Ampere, Ada и Hopper. Для работы требуется поддерживаемая GPU и соответствующая среда инференса. Лицензия — Apache-2.0.

Репозиторий LightX2V содержит модели HunyuanVideo-1.5, квантованные в формате FP8-E4M3 для генерации видео и запуска с библиотекой LightX2V. В него входят диффузионные модели для генерации видео по изображению и по тексту с разрешением 720p, а также квантованный текстовый энкодер Qwen2.5-VL. Для работы требуются исходные веса и соответствующая структура HunyuanVideo-1.5; репозиторий предоставляет квантованные веса для них. Квантование и оптимизированные ядра SGL призваны снизить потребление видеопамяти и ускорить инференс, сохраняя качество близким к исходной модели. Указана совместимость с LightX2V и альтернативное использование ядер VLLM. Модель основана на Tencent HunyuanVideo-1.5; лицензия репозитория — Apache-2.0.

Карточка модели Roman6699/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она создаёт видео и синхронизированный с ним звук в одной модели; карточка Hugging Face указывает задачу image-to-video, а README также описывает генерацию по тексту и изображению и поддержку генерации в Diffusers. Модель предназначена для создания видеороликов по текстовым запросам или исходному изображению, в том числе с аудиосопровождением. В репозитории описаны варианты чекпойнта на 19 млрд параметров: bf16, FP8 и NVFP4; указана интеграция с Diffusers и ComfyUI. В карточке перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; README отдельно называет английский. Модель может неточно следовать запросу, а результат зависит от стиля промпта; при генерации звука без речи его качество может быть ниже. Она не предназначена для выдачи фактической информации и может воспроизводить предвзятость или создавать оскорбительный контент. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

LTX-2.3 10Eros v1.2 DMD MLX q8 — производная модель для генерации видео из текстового описания или изображения. Её подготовил reallusion4free на основе TenStrip/LTX2.3-10Eros: дистилляция JoyAI Echo DMD объединена с базовыми весами, после чего линейные слои трансформера квантованы до int8. Пакет предназначен для запуска через ltx-2-mlx на компьютерах Apple Silicon; архитектура относится к семейству AudioVideo. Веса трансформера занимают около 19,2 ГБ, дополнительно включены коннекторы и нейросетевой пространственный апскейлер. Текстовый энкодер Gemma 3 12B в пакет не входит и загружается отдельно. Модель рассчитана на создание видео по промпту и, согласно тегам, по изображению с текстовым управлением. Доступен только distilled-режим: пути dev-модели и режимы one-stage, two-stage и two-stages-hq недоступны. В README модель обозначена как предназначенная для взрослых; запрещается использовать её для незаконного контента и изображения реальных людей без согласия. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами репозитория.

LTX-2.3-22b-IC-LoRA-Deblur — адаптер IC-LoRA, разработанный Lightricks для базовой видеомодели LTX-2.3-22B. Модель предназначена для восстановления резкости в видео с расфокусировкой: на вход подаётся один размытый видеоклип, а на выходе генерируется его более чёткая версия с сохранением объекта, композиции, кадрирования и геометрии сцены. Поддерживаются реальные сюжеты в альбомной и портретной ориентации, включая людей, животных, природу, городские виды, еду и ночные сцены. Это video-to-video модель с управлением через пространственное расфокусированное размытие. Рекомендуется использовать стандартный IC-LoRA pipeline при нативном разрешении 1080p; оптимальные параметры обучения и запуска связаны с размером 960×544, длиной 121 кадр и частотой 24 кадра в секунду. Контроль применяется ко всему кадру, маски не поддерживаются, предварительная обработка входного видео не требуется. Модель рассчитана на англоязычное текстовое описание сцены и использует специальный формат промпта DEBLUR. Сильной стороной является восстановление резкости при сохранении идентичности объекта и структуры сцены. Модель не предназначена для удаления смаза от движения, исправления сильных артефактов сжатия, шумоподавления или увеличения разрешения уже резкого видео. При чрезмерном расфокусировании детали могут быть сгенерированы неточно. Поставляемый checkpoint соответствует шагу 1000; разработчик указывает диапазон примерно 800–1000 как оптимальный. Распространение регулируется лицензией ltx-2-community-license.

Это GGUF-конверсия модели LTX-2.5 от Lightricks, подготовленная автором репозитория для запуска в ComfyUI и других совместимых инструментах. Модель предназначена для генерации видео по текстовому описанию; в карточке базовой модели также заявлена генерация по изображениям и видео. Исходная модель использует архитектуру DiT с отдельными потоками для видео и аудио и перекрёстным вниманием между ними. В README указаны 22 млрд параметров и варианты квантования GGUF; размер весов зависит от варианта и составляет примерно 11–23 ГБ для приведённых автором квантованных файлов. LTX-2.5 генерирует синхронизированные видео и аудио за один проход и поддерживает многокадровые сцены с сохранением персонажей и визуального стиля между планами. Среди сценариев применения — создание роликов по текстовым промптам и локальная генерация видео на совместимом оборудовании. README описывает компромисс между качеством и требованиями к памяти: низкие варианты Q2 и Q3 автор считает пригодными преимущественно для тестов, а генерация требует дополнительной видеопамяти сверх места для весов. Модель основана на Lightricks/LTX-2.5 и распространяется в формате GGUF BF16 согласно метаданным; README описывает несколько вариантов квантования. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория и базовой модели.

city96/LTX-Video-gguf — это квантованная версия модели LTX-Video, разработанной Lightricks, преобразованная в формат GGUF пользователем city96. Модель предназначена для генерации видео по текстовому описанию и преобразования изображений в видео; заявленный язык — английский. Это прямое преобразование исходной модели без дополнительного дообучения, поэтому архитектура, количество параметров, поддерживаемые модальности помимо text-to-video и image-to-video, максимальная длина контекста и другие характеристики в предоставленных данных не указаны. Ключевое свойство версии — использование квантованных GGUF-файлов, что может снизить требования к ресурсам, однако конкретные типы квантования зависят от выбранного файла. Модель можно использовать с пользовательским узлом ComfyUI-GGUF; файлы предназначены для размещения в каталоге ComfyUI/models/unet. Ограничения и условия использования исходной модели Lightricks/LTX-Video распространяются и на эту квантованную версию. Лицензия обозначена как other, подробные условия приведены в файле LICENSE.md.

joeygambino/MiniMax-H3-comfy-native-fl2va — это квантизированная версия MiniMax-H3 от MiniMaxAI, адаптированная для запуска в ComfyUI. Модель предназначена для генерации видео по текстовому описанию с управлением первым и последним кадрами: она может начинать или заканчивать ролик на заданном изображении и планировать движение камеры между двумя опорными кадрами. В отличие от варианта ref2va, она не использует референсные строки, изображения, голосовое якорение или банк идентичности, поэтому ориентирована на последовательное создание связанных сцен, когда последний кадр одного эпизода передаётся как первый кадр следующего. Модель распространяется в форматах NVFP4, W4A8, INT8, FP8 и MXFP8 с размером файлов примерно от 11,67 до 20,08 ГБ. Это 4- и 8-битные варианты весов; 4-битные активации не используются, поскольку они заметно ухудшают качество. Файлы рассчитаны на прямую загрузку в стандартный ComfyUI версии 0.32 и новее, без ComfyUI-GGUF и пользовательского загрузчика. Архитектура основана на MiniMax-H3; в README также указано наследование 200-слойной конфигурации, но число параметров, поддерживаемые языки и размер контекстного окна не приведены. Сильной стороной fl2va является точное следование заданному кадру: в приведённом сравнении она достигла 26,35 dB против 16,15–16,81 dB у ref2va при сопоставимых условиях. Выбор формата зависит от оборудования: NVFP4 лучше всего подходит для видеокарт Blackwell, W4A8 — для Ada, а INT8 — для Ampere; неподдерживаемые форматы могут работать в эмулированном режиме и медленнее. Ограничения включают отсутствие референсного режима, возможное снижение качества у 4-битных весов и неполную проверку: сборки прошли forward-тесты на GPU, но не были протестированы полноценным рендерингом. В README упоминаются и типичные дефекты базовой модели, включая искажение текста, отражающих элементов, конечностей и синхронизации губ. Лицензия — Apache-2.0.

MiniMax-H3 × Z-Image — это изменённая версия MiniMax-H3 от joeygambino с добавленным профилем пространственного внимания Z-Image. Она предназначена для генерации видео в ComfyUI; автор описывает более выразительные детали, наборы объектов и текстуры при сохранении идентичности и без нарастания резкости от кадра к кадру. В репозитории представлены сборки safetensors для ComfyUI 0.32+: bf16, FP8, INT8 и семейство 4-битных вариантов, включая W4A8 и NVFP4. README рекомендует использовать bf16 как основную сборку, W4A8 как качественный вариант для видеокарт с 16 ГБ памяти, а INT8 — для RTX 50. Базовая MiniMax-H3 поддерживает создание коротких видео со стереозвуком по тексту, изображениям, видео и аудио; README этой сборки не уточняет, какие входы доступны именно в ней. Модель создана joeygambino на основе MiniMaxAI/MiniMax-H3; лицензия в метаданных обозначена как other, поэтому конкретные условия следует проверять на странице репозитория. Для RTX 30/40 автор рекомендует GGUF-версию, отмечая, что она быстрее 4-битных comfy-native сборок.

MoviiGen1.1-GGUF — это прямая конверсия модели ZuluVision/MoviiGen1.1 в формат GGUF, опубликованная пользователем или организацией wsbagnsv1. Модель предназначена для генерации видео по текстовому описанию и относится к категории text-to-video. Файлы модели можно использовать в ComfyUI с пользовательским узлом ComfyUI-GGUF; их рекомендуется размещать в каталоге ComfyUI/models/unet. В репозитории доступны квантизованные варианты Q8_0 и меньшего размера, созданные на основе FP32-версии. Форматы F16 и BF16 в опубликованной версии не представлены. Для работы также требуется VAE Wan2_1_VAE_bf16.safetensors из репозитория Kijai. README не содержит сведений о точном размере модели, архитектуре, поддерживаемых языках, максимальной длине контекста, качестве генерации или системных требованиях. Модель распространяется по лицензии Apache-2.0; конвертация выполнена с использованием скриптов city96.

SkyReels V1 Hunyuan T2V — модель генерации видео по тексту от команды Skywork, созданная дообучением Tencent HunyuanVideo на высококачественных клипах из кино и телевидения. Репозиторий содержит веса в формате Diffusers для работы с библиотекой Diffusers. Модель предназначена для создания видео с людьми по текстовым запросам. В карточке заявлены выразительная анимация лиц, широкий диапазон эмоций и движений, а также кинематографические композиция, освещение и постановка камеры. Указаны разрешение 544×960 пикселей, длина ролика до 97 кадров и частота 24 кадра в секунду. Модель принимает текст и генерирует видео. Для запуска авторы направляют к отдельному репозиторию с кодом инференса. Лицензия — Apache-2.0. Заявления о качестве и сравнении с коммерческими системами принадлежат авторам модели и не сопровождаются в карточке описанием независимой оценки.

Skywork разработала SkyReels-V2-DF-1.3B-540P-Diffusers — модель генерации видео по текстовому запросу из семейства SkyReels-V2. Она предназначена для создания кинематографичных роликов, в том числе длинных видео с последовательным развитием сцен. В основе семейства лежит авторегрессионная архитектура Diffusion Forcing; в README также описаны многоэтапное обучение, обучение с подкреплением и supervised fine-tuning. Эта версия доступна в формате Diffusers с весами safetensors и рассчитана на разрешение 540P; заявленный размер — 1,3 млрд параметров. Модель подходит для визуализации историй и создания видеоматериалов по текстовому описанию. В README семейства также упоминаются генерация видео из изображения, управление камерой и согласованная генерация нескольких персонажей, но эти возможности не следует считать подтверждёнными для данной текстовой версии. Карточка указывает английский язык. Лицензия обозначена как other, поэтому конкретные условия использования нужно проверять в репозитории модели.

SkyReels-V2-DF-14B-540P-Diffusers — модель генерации видео по тексту из серии SkyReels-V2, разработанной командой Skywork. Это вариант с 14 млрд параметров для Diffusers, использующий авторегрессионную архитектуру Diffusion Forcing. Модель предназначена для создания видео по текстовым запросам; заявленная особенность серии — генерация длинных роликов с сохранением движения и визуальной согласованности. В описании серии упоминаются многоэтапное предварительное обучение, обучение с подкреплением и дополнительная supervised fine-tuning для улучшения движения и качества изображения. Карточка модели также заявляет поддержку бесконечной длины видео, однако практическая длина ролика зависит от настроек генерации и доступных вычислительных ресурсов. README описывает и другие сценарии серии, включая генерацию видео из изображения и управление камерой, но они не подтверждены для этого конкретного чекпойнта. Репозиторий содержит веса в формате Diffusers и safetensors; для запуска README предлагает библиотеку Diffusers и приводит сценарии инференса на одной или нескольких GPU. В метаданных указана лицензия other, поэтому условия использования следует сверить с лицензией и материалами репозитория.

UniAVGen — контрольная точка модели для совместной генерации аудио и видео, разработанная MCG-NJU и Tencent Hunyuan. Она представлена в работе «UniAVGen: Unified Audio and Video Generation with Asymmetric Cross-Modal Interactions» и предназначена для создания согласованных аудиовизуальных материалов. Модель основана на Wan2.2-TI2V-5B и дообучена для генерации видео по изображению. В карточке также заявлена единая генерация аудио и видео с акцентом на синхронизацию движений губ, смысловую согласованность и обобщение на разные задачи. Файлы представлены в формате safetensors; лицензия — Apache-2.0. Описание не уточняет способ подачи аудио, поддерживаемые языки, длительность или разрешение генерируемых материалов и системные требования. В метаданных основная задача указана как image-to-video, поэтому поддержка совместной генерации аудио-видео здесь следует из карточки проекта, но не отражена отдельным pipeline-тегом.

Wan2.1-Fun-V1.1-1.3B-InP — модель семейства Wan2.1-Fun, представленная в карточке Alibaba PAI и распространяемая по лицензии Apache 2.0. Это вариант для генерации видео по тексту и изображениям; в README он описан как модель с обучением на нескольких разрешениях и поддержкой задания начального и конечного кадров. В репозитории указаны веса в формате safetensors и библиотека videox_fun. Модель подходит для создания коротких видеосцен по текстовому описанию, а также анимации изображения с управлением начальным и конечным кадрами. README проекта также описывает сценарии image-to-video, однако конкретные возможности зависят от выбранной модели и файла запуска. Вариант 1,3B требует значительных вычислительных ресурсов: документация предлагает режимы переноса модели в CPU, а квантование float8 может снизить качество генерации.

Wan2.1-VACE-1.3B-GGUF — это прямая конверсия модели Wan2.1-VACE-1.3B в формат GGUF, опубликованная samuelchristlie на основе исходной модели Wan-AI. Модель предназначена для генерации и редактирования видео, включая сценарии text-to-video и image-to-video, а также генерацию визуального текста. Она относится к открытому семейству видеомоделей Wan2.1 и совместима с библиотекой Diffusers. Модель имеет размер 1,3 млрд параметров. В карточке указана поддержка английского языка и категория text-to-video; другие языки и точный размер контекста не раскрыты. Заявлена пригодность для работы на потребительских GPU, однако конкретные требования к памяти, производительность и дополнительные ограничения не приведены. Модель распространяется по лицензии Apache 2.0, унаследованной от исходной модели. Для использования необходимо скачать файлы репозитория и настроить совместимое программное окружение; подробные параметры запуска в карточке не указаны.

squirrelae/Wan2.2-TI2V-5B-GGUF — это квантованная версия модели Wan2.2-TI2V-5B, разработанной Wan-AI. Модель предназначена для задач text-to-video и text-and-image-to-video, то есть для генерации видео по текстовому описанию и, судя по идентификатору TI2V, по сочетанию текста и изображения. Формат GGUF ориентирован на использование через совместимые инструменты, включая пользовательский узел ComfyUI-GGUF для ComfyUI. Из README известно, что модель поддерживает английский и китайский языки. Архитектура, точный размер в параметрах, поддерживаемые модальности и длина контекста отдельно не описаны. Квантование может сделать модель удобнее для запуска в средах с ограниченными ресурсами, однако конкретный уровень квантования и его влияние на качество не указаны. Модель распространяется по лицензии Apache-2.0, при этом для квантованной версии сохраняются исходные условия лицензирования и ограничения использования базовой модели. Для работы требуется совместимая интеграция, например ComfyUI с узлом ComfyUI-GGUF.

MoviiGen 1.1 — модель генерации видео по текстовому описанию, разработанная авторами проекта MoviiGen и дообученная на базе Wan2.1. Она предназначена для создания кинематографичных видеороликов и творственного видеопроизводства; авторы особо отмечают передачу атмосферы, движение камеры, детализацию объектов, ясность и реалистичность изображения. В README заявлена генерация с разрешением 720p и 1080p. Модель построена на диффузионном трансформере Wan2.1 T2V-14B и распространяется в формате safetensors для библиотеки Diffusers. Описание модели и метаданные указывают поддержку английского и китайского языков. Лицензия — Apache-2.0. README описывает оценку эстетических характеристик экспертами, но не приводит независимых тестов, параметров длительности ролика или подробных ограничений по качеству и содержанию.

AnimeGen T2V — модель генерации видео по текстовому описанию, разработанная AIdeaLab, Inc. при поддержке японского проекта GENIAC. Она дообучена на базе Wan-AI/Wan2.2-T2V-A14B и использует архитектуру Diffusion Transformer с целью Flow Matching; модель рассчитана на работу через Diffusers. Модель предназначена для создания коротких видео в стиле японского аниме: визуального прототипирования, раскадровок, предварительной визуализации анимации и изучения движения персонажей, композиции и атмосферы. Для запросов рекомендуется английский язык. Лицензия Apache-2.0. Модель оптимизирована для аниме-графики, а не для фотореалистичного видео. Возможны мерцание и дрейф внешности между кадрами, ошибки в деталях персонажей, нестабильность сложных движений и физического взаимодействия, а также снижение качества вне аниме-стиля. Для локального запуска рекомендуется мощная видеокарта NVIDIA, например RTX 4090 или выше; результаты следует проверять перед публикацией или коммерческим использованием.

Divot-LLM — модель TencentARC для понимания видео и генерации видеороликов. Она использует видеотокенизатор Divot, обученный самоконтролируемым способом с помощью диффузионного процесса: его непрерывные пространственно-временные признаки передаются языковой модели для авторегрессионной генерации текста, а при генерации видео модель предсказывает распределение этих признаков с помощью гауссовой смеси, после чего декодер восстанавливает видеоклип. В репозитории также опубликованы токенизатор и декодер Divot, код обучения и инференса. В карточке указана архитектура Mistral, плотная причинная языковая модель с 7,1 млрд параметров и контекстом 32 768 токенов; формат весов — PyTorch и Safetensors. Для запуска требуются PyTorch и GPU NVIDIA с CUDA. README указывает необходимость отдельно загрузить Mistral-7B-Instruct-v0.1 и CLIP ViT-H/14, а также обученные компоненты Divot. Модель распространяется по лицензии Apache-2.0.

city96/FastHunyuan-gguf — это прямое преобразование модели FastVideo/FastHunyuan в формат GGUF, выполненное пользователем city96. Модель предназначена для генерации видео по текстовому описанию и рассчитана на использование со встроенными нодами HunyuanVideo в ComfyUI, а также с пользовательской нодой ComfyUI-GGUF. Это квантизированная версия исходной модели, а не дообученная модификация, поэтому сохраняет ограничения и условия оригинальной модели. README не содержит сведений о точном размере модели, архитектуре, поддерживаемых языках, длине контекста или конкретных типах квантизации. Для работы также требуется VAE HunyuanVideo, который необходимо загрузить отдельно. Лицензия обозначена как tencent-hunyuan-community; применяются исходные условия и ограничения этой лицензии. Модельные файлы предназначены для размещения в каталоге ComfyUI/models/unet.

Krea-2-pose-controlnet — это LoRA-адаптер в стиле ControlNet для базовой модели Krea-2-Turbo, разработанный пользователем или командой thedeoxen. Модель предназначена для генерации изображений по карте позы OpenPose или DWPose: скелетное изображение задаёт положение тела и ключевых точек, а текстовый запрос определяет внешность, одежду, стиль, освещение и окружение. Адаптер рассчитан на сценарии создания иллюстраций, комиксов, раскадровок, ключевых кадров анимации и концепт-арта с управляемой позой персонажа. Это не модель для объединения референсного изображения с позой: внешний вид не переносится со второго изображения, а задаётся промптом. Адаптер обучался преимущественно на изображениях людей, но может работать со стилизованными персонажами. Для использования рекомендуется Krea-2-Turbo, вес LoRA 0,8–1,0; в примере указаны около 10 шагов сэмплирования, CFG около 1,0 и sampler euler с режимом simple. Лучше всего подходят карты DWPose на чёрном фоне, при этом масштаб и кадрирование объекта должны соответствовать желаемой сцене. Слишком высокий вес может сделать следование позе чрезмерно жёстким, а модель требует совместимых узлов ComfyUI и компонентов для извлечения позы и передачи управляющего изображения. Модель распространяется по лицензии Apache-2.0. Указанный репозиторий содержит веса в формате safetensors и workflow для ComfyUI.

Карточка модели mustjabmalik51214/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2.3, поэтому описание составлено по ней. LTX-2.3 — разработанная Lightricks диффузионная аудиовизуальная модель на основе архитектуры DiT, предназначенная для совместной генерации видео и синхронизированного с ним аудио. Доступны открытые веса; в карточке указаны варианты полного обучаемого чекпойнта и дистиллированных версий на 8 шагов. Размер модели — 22 млрд параметров. Модель подходит для генерации видео по изображению и текстовым подсказкам, а также для сценариев создания аудио и видео вместе. В README заявлены улучшенное качество изображения и звука и более точное следование подсказкам по сравнению с LTX-2. Модель рассчитана прежде всего на английский язык; рекомендации по генерации требуют, чтобы ширина и высота были кратны 32, а число кадров имело вид 8n+1. Модель не предназначена для получения фактических ответов, может не полностью соответствовать подсказке, воспроизводить общественные предубеждения и создавать неподходящий или оскорбительный контент. Аудио без речи может иметь более низкое качество. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензией репозитория.

LTX2.3-10Eros v1.3 GGUF — это квантизированная в формате GGUF версия модели генерации видео по изображению LTX2.3-10Eros v1.3. Исходную модель разработала TenStrip; базовая архитектура связана с SulphurAI и Lightricks. Репозиторий содержит несколько вариантов квантизации размером от 11,1 до 22,8 ГБ, рассчитанных на локальный запуск при ограниченном объёме VRAM. Модель предназначена для image-to-video: создания видеосцен на основе исходного изображения и подробного текстового описания движения, изменений композиции, звуков и поведения объектов. Она рассчитана на использование в ComfyUI через интеграцию ComfyUI-GGUF. Для версии 1.3 требуется совместное применение DMD LoRA, при этом рекомендуется официальный workflow V5 DMD. Модель ориентирована на длинные контексты и требует точных, детализированных и директивных промптов на английском языке, сопоставимых по стилю с промптами для native 22B Dev model. К сильным сторонам относятся улучшенное следование промптам, явное управление движением, снижение артефактов вроде постоянных субтитров, «призрачной анатомии» и неожиданных переходов, а также варианты квантизации для разного уровня аппаратных ресурсов. Ограничения включают высокие требования к качеству и подробности промптов, обязательную зависимость от DMD LoRA и workflow, а также отсутствие в README точных сведений о числе параметров, максимальном контексте, поддерживаемых языках и модальностях помимо image-to-video. Лицензия указана как other, без дополнительных условий в предоставленных данных.

LTX-2.3-uncensored-v1.4-FP8 — модель генерации видео от ChrisColeTech, основанная на Lightricks/LTX-2.3 и связанных дообучениях TenStrip. Она предназначена для создания видео из текста, изображения, видео и аудио, включая сценарии text-to-video, image-to-video, video-to-video, audio-to-video и варианты FL2VA, T2VA, I2VA и REF2VA. Модель ориентирована на контент без строгих ограничений, включая NSFW-сценарии. Это предварительно объединённая GGUF/FP8-версия DiT с встроенными Eros10 NSFW LoRA, DMD Distilled LoRA и LTX Video ICLoRA Detailer. Заявлены улучшенные связность, сохранение лиц и идентичности исходного изображения, следование инструкциям и соответствие референсным изображениям. Поддерживается генерация от 4 шагов, при этом для лучшего качества рекомендуется 8–9 шагов; в примерах указаны разрешение 1280×736, 121 кадр и длительность около 5 секунд, а также генерация до 960 кадров или примерно 40 секунд. Ключевые ограничения и точные требования к оборудованию, полный перечень языков, архитектурные размеры и максимальный контекст в README не указаны. Лицензия обозначена как unknown, поэтому условия использования требуют дополнительной проверки перед применением.

LTX-Video-0.9.6-distilled-gguf — это прямое преобразование модели Lightricks/LTX-Video в формат GGUF, выполненное пользователем city96. Модель предназначена для генерации видео по текстовому описанию (text-to-video) и преобразования изображения в видео (image-to-video). Для запуска предусмотрена интеграция с ComfyUI через дополнительный узел ComfyUI-GGUF. В состав рабочего комплекта входят основная диффузионная модель LTX-Video-0.9.6-Distilled, текстовый энкодер T5-V1.1-XXL-Encoder и VAE LTX-Video-0.9.6. В README указано, что модель рассчитана на английский язык. Размер основной модели, точная архитектура, поддерживаемый размер контекста и характеристики модальностей в предоставленных данных не уточняются. Примеры демонстрируют генерацию видео, однако автор отмечает, что они не являются строго репрезентативными. Это квантованная версия, а не дообученная модель, поэтому к ней применяются те же ограничения и условия исходной модели. Лицензия обозначена как other; подробные условия находятся в файле LICENSE.md исходного репозитория. Для работы также требуются отдельные текстовый энкодер и VAE в совместимых форматах.

MiniMax-H3-Turbo-GGUF — это квантизированная версия мультимодальной генеративной системы MiniMax H3, разработанной MiniMaxAI. Репозиторий molbal предоставляет самостоятельные GGUF-чекпойнты варианта FL2VA Turbo 4-step v1.0 для запуска в ComfyUI. Модель предназначена для унифицированной генерации видео и синхронизированного стереозвука по тексту, изображению или паре первого и последнего кадров, включая сценарии text-to-audio-video, image-to-audio-video и first/last-frame-to-audio-video. Также заявлена поддержка мультимодальных режимов с видео- и аудиовходом на уровне исходной системы, но конкретные возможности данной сборки описаны прежде всего для T2VA, I2VA и FL2VA. Модель обучалась для разрешения 1344×768 при частоте 24 кадра в секунду и формирует стереозвук с частотой 32 кГц. Turbo-дистилляция сокращает генерацию до 4 шагов NFE; для видео используется shift 6, для аудио — shift 3. GGUF-файлы содержат полные объединённые веса базовой модели и Turbo-компонентов, поэтому отдельные базовые веса или LoRA-адаптеры не требуются. Доступны варианты Q4_0 размером около 11,4 ГБ, Q8_0 около 21,4 ГБ и Q8_CR около 20,2 ГБ; Q4_0 обеспечивает меньшее потребление ресурсов при более низком качестве, а Q8-варианты — более высокое качество. Q8_CR предназначен для совместимости с узлами molbal/ComfyUI-GGUF. Основные сильные стороны — мультимодальность, совместная генерация видео и нативного стереозвука, а также высокая скорость благодаря четырём шагам дистилляции. Ограничения включают привязку данной версии к разрешению 768p и необходимость использования ComfyUI с совместимым GGUF Loader и специализированным sampler для MiniMax H3 Turbo; требования к памяти зависят от выбранного варианта квантизации. Модель распространяется по MiniMax H3 Community License Agreement; это лицензия с особыми условиями, а не стандартная свободная лицензия.